ACME: A Multi-Cultural, Multi-Embodiment Social-Navigation Dataset
本文介绍了 ACME，这是一个在五个国家收集的大规模、多文化且多具身形态的数据集，旨在通过提供多样化的、目标驱动的交互数据来推动社交机器人导航研究，从而解决现有资源中缺乏文化和地理多样性的问题。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图教一个机器人如何在繁忙的学校走廊中行走而不撞到任何人。这不仅仅是关于避开墙壁；这是关于理解人类运动中那无形的舞步。这个领域被称为社交导航（social navigation）。普通的机器人只需要知道如何从 A 点到达 B 点而不发生碰撞，而社交机器人则需要了解人群中那些不言而喻的规则：何时该让路、多近算“太近”、以及人们更倾向于在走廊的哪一侧行走。这些规则会根据你所在的地理位置以及机器人的外观而改变。一个在某个国家表现礼貌的机器人，在另一个国家可能会显得失礼；一个看起来像狗的机器人，受到的对待方式也会与一个看起来像行李箱的机器人截然不同。科学家们之所以关注这一点，是因为随着机器人开始进入我们的家庭、医院和街道，它们需要自然地融入其中，而不会让我们感到尴尬或不安。
于是有了 ACME，这是一个庞大的新项目，它就像是一个为这些社交机器人设立的全球性大型训练营。ACME 背后的研究人员意识到，以往的机器人训练数据过于局限，就像是在教司机只在安静、空旷的停车场里开车，然后就期望他们能应对混乱的东京十字路口一样。为了解决这个问题，团队进行了一场环球旅行，从5 个国家（包括美国、日本、新加坡、德国和西班牙）的 8 个不同地点收集数据。他们并没有只使用一种类型的机器人；他们部署了 7 种不同的机器人“躯体”（或体现形式），范围从四足狗形机器人到轮式行李箱机器人，再到高大的服务机器人。他们记录了机器人穿梭于人群中的 29 多个小时，以及通过俯视视频追踪人类如何绕过它们的 43.5 个小时。
论文指出，通过将这些多样化、杂乱的真实世界数据输入计算机模型，我们可以教会机器人更好地“察言观色”。研究团队发现，接受这种新数据集训练的机器人面临着比旧数据训练出的机器人更艰巨的挑战，而这实际上是一件好事——这意味着机器人正在学习如何应对真实且不可预测的世界。他们还发现文化确实非常重要：有些国家的人倾向于靠右走，而另一些国家则偏好靠左；人们对机器人的反应也很大程度上取决于机器人看起来是像一只友善的狗，还是一个滚动的方盒子。此外，研究表明，使用语音（例如说“对不起，请让一下”）的机器人，其与人群的互动方式会因其尺寸和形状的不同而有所差异。虽然论文并未声称已经解决了完美机器人导航的问题，但它表明 ACME 为教会机器人如何应对人类空间中复杂、具有文化属性且物理性的“舞蹈”，提供了目前最全面的“教科书”。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。